CN115755621B - 一种忆阻递归神经网络的有限时间自适应同步控制方法 - Google Patents

一种忆阻递归神经网络的有限时间自适应同步控制方法 Download PDF

Info

Publication number
CN115755621B
CN115755621B CN202211569407.7A CN202211569407A CN115755621B CN 115755621 B CN115755621 B CN 115755621B CN 202211569407 A CN202211569407 A CN 202211569407A CN 115755621 B CN115755621 B CN 115755621B
Authority
CN
China
Prior art keywords
time
memristor
neural network
response system
recurrent neural
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202211569407.7A
Other languages
English (en)
Other versions
CN115755621A (zh
Inventor
李小凡
黄鑫
李慧媛
姚金泽
张春富
阚加荣
何佳昊
王一舟
唐庆华
陈洁
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Dragon Totem Technology Hefei Co ltd
Original Assignee
Yancheng Institute of Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Yancheng Institute of Technology filed Critical Yancheng Institute of Technology
Priority to CN202211569407.7A priority Critical patent/CN115755621B/zh
Publication of CN115755621A publication Critical patent/CN115755621A/zh
Application granted granted Critical
Publication of CN115755621B publication Critical patent/CN115755621B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Feedback Control In General (AREA)

Abstract

本发明属于新一代信息技术领域，具体涉及一种忆阻递归神经网络的有限时间自适应同步控制方法。该方法包括以下步骤：步骤S1：构建时变时滞忆阻递归神经网络驱动系统和响应系统；步骤S2：根据步骤S1构建的时变时滞忆阻递归神经网络驱动系统与响应系统，设定所述驱动系统和响应系统的同步误差，并建立同步误差系统；步骤S3：根据步骤S2构建的同步误差，设计自适应同步控制器，将所述自适应同步控制器作用于所述响应系统，使得所述响应系统有限时间同步于所述驱动系统。本发明将时变时滞引入忆阻递归神经网络，并设计自适应同步控制器，实现时变时滞忆阻递归神经网络的有限时间自适应同步控制。

Description

一种忆阻递归神经网络的有限时间自适应同步控制方法
技术领域
本发明涉及新一代信息技术领域，尤其涉及一种忆阻递归神经网络的有限时间自适应同步控制方法。
背景技术
忆阻器是近年来备受关注的新型纳米器件，在新一代信息技术领域有着广泛的应用前景，具体应用有低功耗类脑计算、数据存储、非易失逻辑等新一代信息技术。忆阻器具有体积小、密度高、可扩展性好等优点。此外，忆阻器与电阻不同，忆阻器具有一个很重要的特性：它能记忆流经它的电荷量，即忆阻器的伏安特性存在一个类似磁滞的回线。这一特性与生物神经元突触的记忆特性相似，因此忆阻器常用于模拟人工神经网络中的突触。
递归神经网络是一类以序列数据为输入，在序列的演进方向进行递归且所有节点按链式连接的神经网络，具有记忆性、参数共享并且图灵完备，因此在对序列的非线性特征进行学习时具有一定优势。因此，将忆阻器引入递归神经网络中，来研究忆阻递归神经网络的动力学行为具有重要作用。
同步是网络中常见的一个现象，也是忆阻递归神经网络一种重要的动力学行为，因为它在伪随机数发生器、模式识别、保密通信等新一代信息技术方面有巨大的应用前景。值得指出的是，与传统渐近同步相比，有限时间同步要求响应系统与驱动系统在有限时间达到同步，使得有限时间控制方法具有更好的实用性、更优的干扰抑制性能、更好的鲁棒性等优点。
发明内容
有鉴于此，本发明的目的是提供一种忆阻递归神经网络的有限时间自适应同步控制方法，可以实现时变时滞忆阻递归神经网络的有限时间自适应同步。
本发明提供了一种忆阻递归神经网络的有限时间自适应同步控制方法，包括以下步骤：
步骤S1：构建时变时滞忆阻递归神经网络驱动系统和响应系统；
步骤S2：根据步骤S1构建的时变时滞忆阻递归神经网络驱动系统与响应系统，设定所述驱动系统和响应系统的同步误差，并建立同步误差系统；
步骤S3：根据步骤S2构建的同步误差，设计自适应同步控制器，将所述自适应同步控制器作用于所述响应系统，使得所述响应系统在有限时间同步于所述驱动系统。
进一步地，步骤S1具体包括以下步骤：
步骤S11：构建时变时滞忆阻递归神经网络驱动系统为：
Figure BDA0003987396790000021
式中，
Figure BDA0003987396790000022
表示vp(t)对时间t的导数；时间t≥0；n表示所述驱动系统中神经元的个数；p、q＝1，2，…，n；dp是自反馈连接权值并且满足dp≥0；vp(t)表示所述驱动系统中第p个神经元在t时刻的状态变量；gq(vq(t))表示所述驱动系统中第q个神经元不包含时滞的激活函数，hq(vq(t-δqp(t)))表示所述驱动系统中第q个神经元包含时变时滞的激活函数，所述各激活函数均满足利普希茨条件，即满足对于任意实数a和b，|gq(a)-gq(b)|≤ηq|a-b|和
Figure BDA0003987396790000023
其中ηq和
Figure BDA0003987396790000024
为正常数；同时所述各激活函数均是单调非减函数，并满足：gq(0)＝hq(0)＝0、
Figure BDA0003987396790000025
其中
Figure BDA0003987396790000026
为正常数；Jp表示所述驱动系统的外部输入；apq(vq(t))、bpq(vq(t-δqp(t)))表示忆阻器连接权值，且满足：
Figure BDA0003987396790000027
Figure BDA0003987396790000028
其中，切换界值
Figure BDA0003987396790000029
Figure BDA00039873967900000210
是常数，设
Figure BDA00039873967900000211
Figure BDA00039873967900000212
由于所述驱动系统的等号右侧是不连续的，因此所述驱动系统的解需要在Filippov意义上考虑，则通过采用集值映射和微分包含理论，可将所述驱动系统改写为：
Figure BDA0003987396790000031
其中，
Figure BDA0003987396790000032
步骤S12：根据步骤S11构建的时变时滞忆阻递归神经网络驱动系统，构建与其相对应的时变时滞忆阻递归神经网络响应系统：
Figure BDA0003987396790000033
式中，
Figure BDA0003987396790000034
表示wp(t)对时间t的导数；时间t≥0；n表示所述响应系统中神经元的个数；p、q＝1，2，…，n；dp是自反馈连接权值并且满足dp≥0；wp(t)表示所述响应系统中第p个神经元在t时刻的状态变量；gq(wq(t))表示所述响应系统中第q个神经元不包含时滞的激活函数，hq(wq(t-δqp(t)))表示所述响应系统中第q个神经元包含时变时滞的激活函数，所述各激活函数均满足利普希茨条件，即满足对于任意实数a和b，|gq(a)-gq(b)|≤ηq|a-b|和
Figure BDA0003987396790000035
其中ηq和
Figure BDA0003987396790000036
为正常数；同时所述各激活函数均是单调非减函数，并满足：gq(0)＝hq(0)＝0、
Figure BDA0003987396790000037
其中
Figure BDA0003987396790000038
为正常数；Jp表示所述响应系统的外部输入；up表示自适应同步控制器；apq(wq(t))、bpq(wq(t-δqp(t)))表示忆阻器连接权值，且满足：
Figure BDA0003987396790000039
Figure BDA00039873967900000310
其中，切换界值
Figure BDA00039873967900000311
Figure BDA00039873967900000312
是常数，设
Figure BDA00039873967900000313
Figure BDA0003987396790000041
由于所述响应系统的等号右侧是不连续的，因此所述响应系统的解需要在Filippov意义上考虑，则通过采用集值映射和微分包含理论，可将所述响应系统改写为：
Figure BDA0003987396790000042
其中，
Figure BDA0003987396790000043
进一步地，步骤S2具体包括以下步骤：
步骤S21：根据步骤S1构建的时变时滞忆阻递归神经网络驱动系统与响应系统，设定所述驱动系统和响应系统的同步误差为：ep(t)＝vp(t)-wp(t)；
步骤S22：根据所述驱动系统和响应系统，以及步骤S21设定的同步误差，建立同步误差系统为：
Figure BDA0003987396790000044
其中，
Figure BDA0003987396790000045
表示所述同步误差ep(t)对时间t的导数。
进一步地，步骤S3具体包括以下内容：
步骤S31：根据步骤S2构建的同步误差，设计自适应同步控制器为：
Figure BDA0003987396790000046
其中，p、q＝1，2，…，n；eq(t-δqp(t))＝vq(t-δqp(t))-wq(t-δqp(t))；sgn(·)为符号函数；自适应同步控制器参数ρp>0、
Figure BDA0003987396790000047
κp、γp、ζp、μp、ξp、ωp和
Figure BDA0003987396790000048
都是常数，且满足：
Figure BDA0003987396790000051
Figure BDA0003987396790000052
Figure BDA0003987396790000053
Figure BDA0003987396790000054
其中，
Figure BDA0003987396790000055
步骤S32：将所述自适应同步控制器作用于所述响应系统，使得所述响应系统有限时间同步于所述驱动系统。
进一步地，本发明所述的一种忆阻递归神经网络的有限时间自适应同步控制方法，其特征在于，所述响应系统在有限时间内自适应同步于所述驱动系统，且所述有限时间的范围为：
Figure BDA0003987396790000056
其中，e(0)＝(e1(0)，e2(0)，…，en(0))T；
Figure BDA0003987396790000057
Figure BDA0003987396790000058
本发明提供了一种忆阻递归神经网络的有限时间自适应同步控制方法，与现有技术相比，本发明的有益效果是：
1、本发明采用忆阻器来模拟神经网络中的突触，构建了忆阻神经网络。
2、本发明中，本发明特别考虑了时变时滞对神经网络模型的影响，从而使得时变时滞忆阻递归神经网络的有限时间自适应同步控制方法具有更广泛的应用背景。
3、本发明中，本发明采用有限时间控制方法，有限时间同步控制方法相比于渐近同步控制方法，是一种更为实用的同步控制方法，因为渐近同步控制方法在理论上同步时间是无穷的，而有限时间同步控制方法保证了响应系统在有限时间内同步于驱动系统。
4、本发明设计了自适应同步控制器，其参数可自我修正以适应控制对象和扰动的动态特性的变化，具有鲁棒性强、有较强的容错能力等优点。
附图说明
图1为本发明一种忆阻递归神经网络的有限时间自适应同步控制方法的流程图；
图2为本发明实施例2中，无同步控制器作用下同步误差的变化轨迹图；
图3为本发明实施例2中，无同步控制器作用下驱动系统和响应系统相平面对照图；
图4为本发明实施例2中，在自适应同步控制器作用下同步误差的变化轨迹图；
图5为本发明实施例2中，在自适应同步控制器作用下驱动系统和响应系统相平面对照图；
图6为本发明实施例2中，在自适应同步控制器控制增益λ(t)、θ(t)变化轨迹图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有付出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例1：
如图1所示，本实施例提供一种忆阻递归神经网络的有限时间自适应同步控制方法。该同步控制方法包括以下步骤：
步骤S1：构建时变时滞忆阻递归神经网络驱动系统和响应系统；
步骤S2：根据步骤S1构建的时变时滞忆阻递归神经网络驱动系统与响应系统，设定所述驱动系统和响应系统的同步误差，并建立同步误差系统；
步骤S3：根据步骤S2构建的同步误差，设计自适应同步控制器，将所述自适应同步控制器作用于所述响应系统，使得所述响应系统在有限时间同步于所述驱动系统。
在本实施例中，步骤S1具体包括以下内容：
步骤S11：构建时变时滞忆阻递归神经网络驱动系统为：
Figure BDA0003987396790000061
式中，
Figure BDA0003987396790000062
表示vp(t)对时间t的导数；时间t≥0；n表示所述驱动系统中神经元的个数；p、q＝1，2，…，n；dp是自反馈连接权值并且满足dp≥0；vp(t)表示所述驱动系统中第p个神经元在t时刻的状态变量；gq(vq(t))表示所述驱动系统中第q个神经元不包含时滞的激活函数，hq(vq(t-δqp(t)))表示所述驱动系统中第q个神经元包含时变时滞的激活函数，所述各激活函数均满足利普希茨条件，即满足对于任意实数a和b，|gq(a)-gq(b)|≤ηq|a-b|和
Figure BDA0003987396790000071
其中ηq和
Figure BDA0003987396790000072
为正常数；同时所述各激活函数均是单调非减函数，并满足：gq(0)＝hq(0)＝0、
Figure BDA0003987396790000073
其中
Figure BDA0003987396790000074
为正常数；Jp表示所述驱动系统的外部输入；apq(vq(t))、bpq(vq(t-δqp(t)))表示忆阻器连接权值，且满足：
Figure BDA0003987396790000075
Figure BDA0003987396790000076
其中，切换界值
Figure BDA0003987396790000077
Figure BDA0003987396790000078
是常数，设
Figure BDA0003987396790000079
Figure BDA00039873967900000710
由于所述驱动系统的等号右侧是不连续的，因此所述驱动系统的解需要在Filippov意义上考虑，则通过采用集值映射和微分包含理论，可将所述驱动系统改写为：
Figure BDA00039873967900000711
其中，
Figure BDA00039873967900000712
步骤S12：根据步骤S11构建的时变时滞忆阻递归神经网络驱动系统，构建与其相对应的时变时滞忆阻递归神经网络响应系统：
Figure BDA00039873967900000713
式中，
Figure BDA0003987396790000081
表示wp(t)对时间t的导数；时间t≥0；n表示所述响应系统中神经元的个数；p、q＝1，2，…，n；dp是自反馈连接权值并且满足dp≥0；wp(t)表示所述响应系统中第p个神经元在t时刻的状态变量；gq(wq(t))表示所述响应系统中第q个神经元不包含时滞的激活函数，hq(wq(t-δqp(t)))表示所述响应系统中第q个神经元包含时变时滞的激活函数，所述各激活函数均满足利普希茨条件，即满足对于任意实数a和b，|gq(a)-gq(b)|≤ηq|a-b|和
Figure BDA0003987396790000082
其中ηq和
Figure BDA0003987396790000083
为正常数；同时所述各激活函数均是单调非减函数，并满足：gq(0)＝hq(0)＝0、
Figure BDA0003987396790000084
其中
Figure BDA0003987396790000085
Figure BDA0003987396790000086
为正常数；Jp表示所述响应系统的外部输入；up表示自适应同步控制器；apq(wq(t))、bpq(wq(t-δqp(t)))表示忆阻器连接权值，且满足：
Figure BDA0003987396790000087
Figure BDA0003987396790000088
其中，切换界值
Figure BDA0003987396790000089
Figure BDA00039873967900000810
是常数，设
Figure BDA00039873967900000811
Figure BDA00039873967900000812
由于所述响应系统的等号右侧是不连续的，因此所述响应系统的解需要在Filippov意义上考虑，则通过采用集值映射和微分包含理论，可将所述响应系统改写为：
Figure BDA00039873967900000813
其中，
Figure BDA00039873967900000814
在本实施例中，步骤S2具体包括以下步骤：
步骤S21：根据步骤S1构建的时变时滞忆阻递归神经网络驱动系统与响应系统，设定所述驱动系统和响应系统的同步误差为：ep(t)＝vp(t)-wp(t)；
步骤S22：根据所述驱动系统和响应系统，以及步骤S21设定的同步误差，建立同步误差系统为：
Figure BDA0003987396790000091
其中，
Figure BDA0003987396790000092
表示所述同步误差ep(t)对时间t的导数。
在本实施例中，步骤S3具体包括以下步骤：
步骤S31：根据步骤S2构建的同步误差，设计自适应同步控制器为：
Figure BDA0003987396790000093
其中，p、q＝1，2，…，n；eq(t-δqp(t))＝vq(t-δqp(t))-wq(t-δqp(t))；sgn(·)为符号函数；自适应同步控制器参数ρp>0、
Figure BDA0003987396790000094
κp、γp、ζp、μp、ξp、ωp和
Figure BDA0003987396790000095
都是常数，且满足：
Figure BDA0003987396790000096
Figure BDA0003987396790000097
Figure BDA0003987396790000098
Figure BDA0003987396790000099
其中，
Figure BDA00039873967900000910
步骤S32：将所述自适应同步控制器作用于所述响应系统，使得所述响应系统有限时间同步于所述驱动系统。
在本实施例中，本发明所述的一种忆阻递归神经网络的有限时间自适应同步控制方法，所述响应系统在有限时间内自适应同步于所述驱动系统，且所述有限时间的范围为：
Figure BDA0003987396790000101
其中，e(0)＝(e1(0)，e2(0)，…，en(0))T；
Figure BDA0003987396790000102
Figure BDA0003987396790000103
值得说明的是，本发明根据忆阻器的特性，特别考虑了时变时滞对忆阻递归神经网络模型的影响，从而使得时变时滞忆阻递归神经网络的有限时间自适应同步控制方法具有更广泛的应用背景。本发明中，采用忆阻器来模拟神经网络中的突触，在神经网络中，突触负责信息存储和计算，因此必不可少，忆阻器具有与突触相似的记忆特性，可以较好地模拟突触。本发明采用有限时间控制方法，有限时间控制方法是一种有效的控制方法，其能在固定时间内使得响应系统同步与驱动系统。本发明设计了自适应同步控制器，其参数可自我修正以适应控制对象和扰动的动态特性的变化，具有鲁棒性强、有较强的容错能力等优点。
实施例2：
本实施例中主要包括两部分内容：
其一是对实施例1中提出的一种忆阻递归神经网络的有限时间自适应同步控制方法的有效性进行理论证明。
其二是通过数值仿真的方法针对实施例1中时变时滞忆阻递归神经网络驱动系统和响应系统，对它们的同步性能进行验证。
(理论证明和仿真实验均不用于限定本发明，在其它实施例中可以不进行仿真实验，也可以采用其他实验方案进行试验，对该神经网络系统的性能进行验证。)
一、理论证明
下面给出在证明过程中将会采用的定义、引理：
定义1：对于本发明所述的驱动系统和响应系统，如果存在一个时间T，对于t≥T，都有e(t)＝v(t)-w(t)＝(0，0，…，0)T和
Figure BDA0003987396790000104
那么所述响应系统被称为与所述驱动系统有限时间同步，其中e(t)＝(e1(t)，e2(t)，…，en(t))T，v(t)＝(v1(t)，v2(t)，…，vn(t))T，w(t)＝(w1(t)，w2(t)，…，wn(t))T。
引理1：对于驱动系统和响应系统的同步误差e(t)，如果存在一个正定连续函数V(t，e(t))，满足不等式：D+V(t，e(t))≤-β(V(t，e(t)))，那么该驱动系统和响应系统实现了有限时间同步，且有限时间T满足
Figure BDA0003987396790000111
此外，如果β(V(t，e(t)))＝FVε(t，e(t))，则有限时间T满足：
Figure BDA0003987396790000112
其中，对于任意χ>0，有
Figure BDA0003987396790000113
e(0)表示同步误差的初始值；D+表示求函数迪尼导数的标识；F>0、0<ε<1。
引理2：如果z1、z2、…、zn都是非负数，a2>a1>0，则以下不等式成立：
Figure BDA0003987396790000114
根据实施例1，可知所述同步误差系统为：
Figure BDA0003987396790000115
令
Figure BDA0003987396790000116
Figure BDA0003987396790000117
可将所述同步误差系统改写为：
Figure BDA0003987396790000118
接下来，构造李雅普诺夫泛函：
Figure BDA0003987396790000119
其中，e(t)＝(e1(t)，e2(t)，…，en(t))T。
然后，对所构建的李雅普诺夫泛函求迪尼导数：
Figure BDA0003987396790000121
又因为：
Figure BDA0003987396790000122
则D+V(t，e(t))可进一步得到：
Figure BDA0003987396790000131
又因为控制器参数满足下列不等式：
Figure BDA0003987396790000132
Figure BDA0003987396790000133
Figure BDA0003987396790000134
Figure BDA0003987396790000141
则可进一步得到：
Figure BDA0003987396790000142
根据引理2，可得到：
Figure BDA0003987396790000143
因此，可以推导得出：
Figure BDA0003987396790000144
其中，
Figure BDA0003987396790000145
此外，对于任意的χ∈(0，+∞)，可以得到
Figure BDA0003987396790000146
从而可以得出有限时间T满足：
Figure BDA0003987396790000147
因此，根据定义1、引理1可知：在自适应同步控制器作用下，所述响应系统有限时间同步于所述驱动系统，且有限时间的范围
Figure BDA0003987396790000148
二、数值仿真
在本实施例中，以二维时变时滞忆阻递归神经网络系统为例，驱动系统为：
Figure BDA0003987396790000149
与此驱动系统对应的响应系统为：
Figure BDA0003987396790000151
具体参数设置如下：p＝1，2；q＝1，2；t≥0；
Figure BDA0003987396790000152
Figure BDA0003987396790000153
Figure BDA0003987396790000154
Figure BDA0003987396790000155
J1＝0，J2＝0，d1＝d2＝1；切换界值为
Figure BDA0003987396790000156
忆阻器权值选择为:
Figure BDA0003987396790000157
Figure BDA0003987396790000158
Figure BDA0003987396790000159
根据上述参数设置，以及不等式
Figure BDA00039873967900001510
Figure BDA00039873967900001511
可得到自适应同步控制器参数取值范围分别为:κ1>3.16、κ2>3.08、μ1>3.25、μ2>2.85、γ1>2.05、γ2>2.15，则自适应同步控制器参数可以取值为：κ1＝3.2、κ2＝3.1、μ1＝3.3、μ2＝2.9、γ1＝2.1、γ2＝2.2；其他的自适应同步控制器参数取值为
Figure BDA00039873967900001512
根据
Figure BDA00039873967900001513
可得到自适应同步控制器参数
Figure BDA00039873967900001514
驱动系统、响应系统和自适应同步控制器在上述设置的参数下，对它们进行数值仿真实验。驱动系统和响应系统的初始值设置为：v1(0)＝2，v2(0)＝5，w1(0)＝0.1，w2(0)＝0.3；具体仿真实验结果如下：图2为无同步控制器作用下同步误差的变化轨迹图；图3为无同步控制器作用下驱动系统和响应系统相平面对照图；图4为自适应同步控制器作用下同步误差的变化轨迹图；图5为在自适应同步控制器控制下驱动系统和响应系统相平面对照图；图6为自适应同步控制器控制增益λ(t)、θ(t)变化轨迹图；其中，图2-图3表明无同步控制器作用下驱动系统和响应系统无法实现同步；图4-图5的轨迹表明响应系统在自适应同步控制器的作用下，实现了在有限时间内响应系统同步于驱动系统，验证了同步性能。
最后应说明的是：以上所述仅为本发明的优选实例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (2)

1.一种忆阻递归神经网络的有限时间自适应同步控制方法，其特征在于，包括以下步骤：
步骤S1：构建时变时滞忆阻递归神经网络驱动系统和响应系统；
步骤S2：根据步骤S1构建的时变时滞忆阻递归神经网络驱动系统与响应系统，设定所述驱动系统和响应系统的同步误差，并建立同步误差系统；
步骤S3：根据步骤S2构建的同步误差，设计自适应同步控制器，将所述自适应同步控制器作用于所述响应系统，使得所述响应系统在有限时间同步于所述驱动系统；
步骤S1具体包括以下步骤：
步骤S11：构建时变时滞忆阻递归神经网络驱动系统为：
Figure FDA0004165444200000011
式中，
Figure FDA0004165444200000012
表示vp(t)对时间t的导数；时间t≥0；n表示所述驱动系统中神经元的个数；p、q＝1，2，…，n；dp是自反馈连接权值并且满足dp≥0；vp(t)表示所述驱动系统中第p个神经元在t时刻的状态变量；gq(vq(t))表示所述驱动系统中第q个神经元不包含时滞的激活函数，hq(vq(t-δqp(t)))表示所述驱动系统中第q个神经元包含时变时滞的激活函数，所述各激活函数均满足利普希茨条件，即满足对于任意实数a和b，|gq(a)-gq(b)|≤ηq|a-b|和
Figure FDA0004165444200000013
其中ηq和
Figure FDA0004165444200000014
为正常数；同时所述各激活函数均是单调非减函数，并满足：gq(0)＝hq(0)＝0、
Figure FDA0004165444200000015
其中
Figure FDA0004165444200000016
Figure FDA0004165444200000017
为正常数；Jp表示所述驱动系统的外部输入；apq(vq(t))、bpq(vq(t-δqp(t)))表示忆阻器连接权值，且满足：
Figure FDA0004165444200000018
Figure FDA0004165444200000019
其中，切换界值
Figure FDA00041654442000000110
Figure FDA00041654442000000111
是常数，设
Figure FDA00041654442000000112
Figure FDA0004165444200000021
由于所述驱动系统的等号右侧是不连续的，因此所述驱动系统的解需要在Filippov意义上考虑，则通过采用集值映射和微分包含理论，可将所述驱动系统改写为：
Figure FDA0004165444200000022
其中，
Figure FDA0004165444200000023
步骤S12：根据步骤S11构建的时变时滞忆阻递归神经网络驱动系统，构建与其相对应的时变时滞忆阻递归神经网络响应系统：
Figure FDA0004165444200000024
式中，
Figure FDA0004165444200000025
表示wp(t)对时间t的导数；时间t≥0；n表示所述响应系统中神经元的个数；p、q＝1，2，…，n；dp是自反馈连接权值并且满足dp≥0；wp(t)表示所述响应系统中第p个神经元在t时刻的状态变量；gq(wq(t))表示所述响应系统中第q个神经元不包含时滞的激活函数，hq(wq(t-δqp(t)))表示所述响应系统中第q个神经元包含时变时滞的激活函数，所述各激活函数均满足利普希茨条件，即满足对于任意实数a和b，|gq(a)-gq(b)|≤ηq|a-b|和
Figure FDA0004165444200000026
其中ηq和
Figure FDA0004165444200000027
为正常数；同时所述各激活函数均是单调非减函数，并满足：gq(0)＝hq(0)＝0、
Figure FDA0004165444200000028
其中
Figure FDA0004165444200000029
Figure FDA00041654442000000210
为正常数；Jp表示所述响应系统的外部输入；up表示自适应同步控制器；apq(wq(t))、bpq(wq(t-δqp(t)))表示忆阻器连接权值，且满足：
Figure FDA00041654442000000211
Figure FDA0004165444200000031
其中，切换界值
Figure FDA0004165444200000032
Figure FDA0004165444200000033
是常数，设
Figure FDA0004165444200000034
Figure FDA0004165444200000035
由于所述响应系统的等号右侧是不连续的，因此所述响应系统的解需要在Filippov意义上考虑，则通过采用集值映射和微分包含理论，可将所述响应系统改写为：
Figure FDA0004165444200000036
其中，
Figure FDA0004165444200000037
步骤S2具体包括以下步骤：
步骤S21：根据步骤S1构建的时变时滞忆阻递归神经网络驱动系统与响应系统，设定所述驱动系统和响应系统的同步误差为：ep(t)＝vp(t)-wp(t)；
步骤S22：根据所述驱动系统和响应系统，以及步骤S21设定的同步误差，建立同步误差系统为：
Figure FDA0004165444200000038
其中，
Figure FDA0004165444200000039
表示所述同步误差ep(t)对时间t的导数；
步骤S3具体包括以下步骤：
步骤S31：根据步骤S2构建的同步误差，设计自适应同步控制器为：
Figure FDA00041654442000000310
其中，p、q＝1，2，…，n；eq(t-δqp(t))＝vq(t-δqp(t))-wq(t-δqp(t))；sgn(·)为符号函数；自适应同步控制器参数ρp>0、
Figure FDA0004165444200000049
κp、γp、ζp、μp、ξp、ωp和
Figure FDA00041654442000000410
都是常数，且满足：
Figure FDA0004165444200000041
Figure FDA0004165444200000042
Figure FDA0004165444200000043
Figure FDA0004165444200000044
其中，
Figure FDA0004165444200000045
步骤S32：将所述自适应同步控制器作用于所述响应系统，使得所述响应系统有限时间同步于所述驱动系统。
2.根据权利要求1所述的一种忆阻递归神经网络的有限时间自适应同步控制方法，其特征在于，所述响应系统在有限时间内自适应同步于所述驱动系统，且所述有限时间的范围为：
Figure FDA0004165444200000046
其中，e(0)＝(e1(0)，e2(0)，…，en(0))T；
Figure FDA0004165444200000047
Figure FDA0004165444200000048
CN202211569407.7A 2022-12-08 2022-12-08 一种忆阻递归神经网络的有限时间自适应同步控制方法 Active CN115755621B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211569407.7A CN115755621B (zh) 2022-12-08 2022-12-08 一种忆阻递归神经网络的有限时间自适应同步控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211569407.7A CN115755621B (zh) 2022-12-08 2022-12-08 一种忆阻递归神经网络的有限时间自适应同步控制方法

Publications (2)

Publication Number Publication Date
CN115755621A CN115755621A (zh) 2023-03-07
CN115755621B true CN115755621B (zh) 2023-05-09

Family

ID=85344385

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211569407.7A Active CN115755621B (zh) 2022-12-08 2022-12-08 一种忆阻递归神经网络的有限时间自适应同步控制方法

Country Status (1)

Country Link
CN (1) CN115755621B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117031962B (zh) * 2023-09-08 2024-01-02 盐城工学院 一种时滞忆阻细胞神经网络的固定时间同步控制方法
CN117195558B (zh) * 2023-09-08 2024-02-09 盐城工学院 一种基于忆阻器的细胞神经网络有限时间同步控制方法

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10332004B2 (en) * 2015-07-13 2019-06-25 Denso Corporation Memristive neuromorphic circuit and method for training the memristive neuromorphic circuit
CN108762067A (zh) * 2018-04-28 2018-11-06 南京理工大学 一种忆阻神经网络的网络化同步控制设备和获取方法
CN112003700B (zh) * 2020-09-04 2023-12-01 济南大学 一种忆阻神经网络固定时间控制的安全通信方法及系统
CN113095497B (zh) * 2021-05-06 2023-04-07 安徽大学 一种分数阶四元忆阻神经网络的有限时间同步方法、装置
CN113219836B (zh) * 2021-05-19 2022-04-08 安徽大学 一种分数阶复值忆阻神经网络的投影同步方法及其应用
CN114819081A (zh) * 2022-04-20 2022-07-29 集美大学 一种忆阻神经网络预定时间同步能量消耗可调节的方法
CN115169539B (zh) * 2022-07-28 2023-06-02 盐城工学院 一种基于惯性复值忆阻神经网络的保密通信方法
CN115145156B (zh) * 2022-07-28 2023-06-02 盐城工学院 一种惯性忆阻神经网络的自适应反同步方法

Also Published As

Publication number Publication date
CN115755621A (zh) 2023-03-07

Similar Documents

Publication Publication Date Title
CN115755621B (zh) 一种忆阻递归神经网络的有限时间自适应同步控制方法
Hu et al. Finite-time synchronization of delayed neural networks with Cohen–Grossberg type based on delayed feedback control
Chen et al. Globally stable adaptive backstepping neural network control for uncertain strict-feedback systems with tracking accuracy known a priori
Huang et al. Finite-time synchronization of inertial memristive neural networks with time-varying delays via sampled-date control
Chen et al. Stability and synchronization of memristor-based fractional-order delayed neural networks
Wang et al. Adaptive synchronization of memristor-based neural networks with time-varying delays
Zhang et al. Global exponential stability of inertial memristor-based neural networks with time-varying delays and impulses
Kumar et al. Exponential stability of inertial BAM neural network with time-varying impulses and mixed time-varying delays via matrix measure approach
CN116430715B (zh) 一种时变时滞忆阻递归神经网络的有限时间同步控制方法
Li et al. Finite-time synchronization of time-delayed neural networks with unknown parameters via adaptive control
Wang et al. Fixed-time synchronization of fractional order memristive MAM neural networks by sliding mode control
CN115860075B (zh) 一种分数阶忆阻神经网络的同步控制方法
CN116203838B (zh) 一种分数阶忆阻神经网络的有限时间同步控制方法
Cai et al. Aperiodic intermittent pinning control for exponential synchronization of memristive neural networks with time-varying delays
Qin et al. Finite-time modified projective synchronization of memristor-based neural network with multi-links and leakage delay
Ren et al. Finite time synchronization of Markovian jumping stochastic complex dynamical systems with mix delays via hybrid control strategy
Zhao et al. Anti-synchronization for stochastic memristor-based neural networks with non-modeled dynamics via adaptive control approach
Zeng et al. Sampled-data synchronization control for Markovian delayed complex dynamical networks via a novel convex optimization method
Yuan et al. Finite-time anti-synchronization of memristive stochastic BAM neural networks with probabilistic time-varying delays
CN115903470B (zh) 一种惯性复值忆阻神经网络的滞后同步控制方法
Xu et al. Adaptive command filtered fixed-time control of nonlinear systems with input quantization
Dai et al. Adaptive exponential synchronization in mean square for Markovian jumping neutral-type coupled neural networks with time-varying delays by pinning control
Han et al. Finite-time stabilization for stochastic reaction-diffusion systems with Markovian switching via boundary control
CN115857349B (zh) 一种忆阻神经网络的指数同步控制方法
Qin et al. Finite-time projective synchronization of memristor-based neural networks with leakage and time-varying delays

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20231219

Address after: 230000 floor 1, building 2, phase I, e-commerce Park, Jinggang Road, Shushan Economic Development Zone, Hefei City, Anhui Province

Patentee after: Dragon totem Technology (Hefei) Co.,Ltd.

Address before: 224051 No. 1 hope road middle road, Ting Hu District, Yancheng City, Jiangsu

Patentee before: YANCHENG INSTITUTE OF TECHNOLOGY